本文是一篇软件工程论文，本文总结了近年来图像隐写分析领域的国内外研究现状，总结了目前深度学习隐写分析方法存在的两点问题：首先是在真实的少样本场景下训练困难的问题，由于深度学习方法训练隐写分析模型需要目标隐写算法的大体量隐写数据集，因此其在仅能得到目标隐写算法少数几张隐写样本时会出现训练困难的问题；
第一章 绪论
1.1 研究背景
在当今移动互联网和大数据时代，人们的生活、工作都越来越便利。然而，随着技术的不断发展，同时也产生了诸多的安全问题[1]，如何保障国家以及个人的信息安全成为越来越重要的问题。为了解决这些潜在的安全隐患问题，信息隐藏技术应运而生。信息隐藏利用人类的感觉器官对数字信号的视觉冗余，将秘密信息以较为隐蔽的方式嵌入到另一个公开载体中使秘密信息得到保护[2]，其在隐藏秘密信息内容的同时也隐藏了秘密信息的存在。信息隐藏技术作为一种信息安全技术在当今时代已被许多领域所采用，而在信息隐藏的诸多技术之中，隐写术在保障网络通信过程中数据的安全性方面扮演着重要的角色[3]。
图像隐写术通过利用人类对图像的视觉冗余和图像自身的编码冗余等特性将秘密信息嵌入到图像载体中使载密图像无法被人眼甚至计算机所识别，然后在公开信道进行载密图像的传输，从而实现信息隐藏，使得敏感数据“神不知鬼不觉”地秘密传输[4]。该技术除了被合法使用外，还被大量不法分子或敌对势力等用来从事恐怖犯罪活动或间谍活动。2001年，恐怖组织本拉登团队将恐怖袭击的行动路线、时间、目标等信息隐写后放在一些网站上进行传输。在2007年哥伦比亚毒枭案件中出现了使用隐写术的相关痕迹。2010年，有报道称俄罗斯间谍利用隐写图片窃取美国机密。2019年，伊斯兰圣战组织开发名为“MuslimCrypt”的隐写术软件，鼓励组织成员从事“网络圣战”。2020年，用于下载木马及其它恶意软件的攻击型工具 Purple Fox 升级，采用隐写技术来避免检测和阻碍安全人员分析。2021年，黑客攻破蒙古国CA证书签发机构，使用隐写术来安装恶意软件后门。从这些事件中可以看出，恐怖分子和犯罪人员使用隐写术进行违法犯罪活动造成了巨大的社会危害，所以已有众多国内外研究人员针对性地展开了隐写分析技术的研究和应用。
...........................
1.2 研究目的和意义
到目前为止，已有各种基于深度学习的隐写分析方法在不断涌现。目前流行的基于深度学习的图像隐写分析模型框架如图1-1所示。基于深度学习的图像隐写分析模型主要分为预处理模块提取隐写噪声特征图和卷积神经网络提取特征并分类两个部分。预处理模块利用高通滤波核对输入图像进行滤波处理，可以提取出图像内容特征中的秘密残差特征，因此前人提出的大多数隐写分析模型都包含预处理部分[1]。而研究者们关注的重点在于提取特征并分类的卷积神经网络的设计上，因为不同规格的卷积及池化操作对隐写分析特征的提取效果也是不同的，所以设计出一个性能较好的卷积神经网络对基于深度学习的隐写分析方法是至关重要的。
软件工程论文怎么写
目前已有大量研究者设计出各种专门用于图像隐写分析的深度卷积网络模型。然而，基于深度学习的图像隐写分析方法需要隐写算法对应的大量载密图像作为数据集进行训练。在此基础上，其对相似隐写原理（空域隐藏或者频域隐藏）的同域隐写算法才具有较好的检测性能。然而，这对于真实场景下的图像隐写分析任务还存在较大的问题，其忽略了真实场景下的隐写分析检测条件。
...............................
第二章 图像隐写分析相关理论基础和研究现状
2.1 图像隐写方法
2.1.1 图像隐写的基本框架和性能指标
信息隐藏技术是一种重要的信息安全技术，图像隐写术作为作为信息隐藏的重要方法保障了网络通信过程中敏感数据的安全性。图像隐写术的基本框架如图2-1所示，Alice是秘密信息发送方，其通过密钥发生器将秘密信息转换为密文，然后通过隐写算法将隐密信息嵌入到公开图像载体中，生成载密图像，最后通信双方通过公共信道传输、接收载密图像。在解密过程中，秘密信息接收方Bob通过相应的提取算法将秘密信息从含密图像中提取出来，然后通过对应的密钥解密，还原出秘密信息。从以上过程中可以看出，隐写术不同于传统的数据加密技术。加密技术主要研究如何对秘密数据进行特殊编码，从而防止秘密数据被破解。因此，加密技术往往不能掩盖秘密数据存在的事实。然而，隐写技术的目的不但是保证秘密数据的不被非法获取，同时掩盖了秘密数据的存在[12]。目前的图像隐写方法重点关注于其嵌入容量以及安全性。
在图像隐写领域，主要依靠的性能指标有不可感知性、嵌入容量、安全性等 [2]。具体如下：
（1）不可感知性
不可感知性是指将秘密信息嵌入图像载体时，应尽量保持图像本身的统计特性，利用图像中存在的视觉冗余、空间冗余和结构冗余等数据冗余信息去嵌入秘密信息，从而保证含密图像在人类视觉感观上具有不可区分性，对于图像隐写算法来说，不可感知性是最基本的性能要求。
（2）安全性
安全性是指隐写算法要具有抗隐写分析检测的能力，这也是对于图像隐写算法最重要的性能指标之一。图像隐写算法不光要蒙蔽人类视觉系统的辨识，而且要能抵抗隐写分析技术的检测，随着深度学习隐写分析技术的发展，针对特定隐写算法的图像隐写分析方法性能已经越来越好，因此安全性已成为目前图像隐写术迫切关注的热点问题。目前度量图像隐写算法安全性的量化指标大多采用隐写分析方法的误检率，隐写分析的检测错误率越高，表示着图像隐写算法的安全性越高。
.........................
2.2 图像隐写分析方法
2.2.1 图像隐写分析的基本框架和性能指标
随着图像隐写算法的快速发展，一方面其为信息隐藏技术的发展提供了巨大的推动力，使得人们在公开信道也能安全、高效的传输秘密信息；另一方面，犯罪分子也会使用图像隐写术用来从事危害社会安全的非法活动，造成严重的社会负面影响[32]。因此，为了避免图像隐写术的滥用，诞生了专门与之对抗的技术，即图像隐写分析。图像隐写分析技术通过提取并分析图像隐写算法在对载体图像进行隐写操作后不可避免留下的异常特征来分辨载密图像。由于图像隐写分析任务的复杂性和困难性，图像隐写分析算法的研究主要关注如何去检测特定的或者未知的图像隐写术，正确分辨待测图像样本库中存在的载密图像。从图像隐写分析技术发展至今，目前主要分为基于手工特征设计的图像隐写分析方法和基于深度学习自动提取特征的图像隐写分析方法。这两种方法的基本框架如图2-2所示。这两种方法的核心都在于如何提取有效的隐写分析特征，然后使用统计分析（统计直方图等）或者分类器（CNN等）对图像进行分类。
实用性指的是图像隐写分析算法在实际使用场景下的应用程度。目前，由于深度学习技术的优越性，基于深度学习的图像隐写分析方法的检测性能已接近于饱和状态。2020年，在Kaggle举办的ALASKA2图像隐写分析挑战赛中，最好的深度学习图像隐写分析方法的检测准确率将近98%左右[33]。然而，在实际的图像隐写分析场景下，基于深度学习的图像隐写分析方法还存在着严峻的问题。因为深度学习算法是基于大数据的智能学习算法，其需要获取待测隐写算法的大量隐写数据来训练模型，才能获取检测性能上的巨大提升。然而，在实际隐写分析场景下，图像隐写分析模型需要检测的隐写算法是未知的，从而获取其大量隐写数据是难以实现的。所以在更多情况下，深度学习隐写分析模型面临只有少量标记样本的问题，这时深度学习图像隐写分析模型将难以训练。因此，目前图像隐写分析算法的实用检测性能还有待进一步提高。
.............................
第三章 基于转导传播网络的少样本图像隐写分析方法 ......................... 22
3.1 问题定义 .................................... 22
3.2 转导传播网络介绍 ...................................... 23
3.3 基于转导传播网络的少样本图像隐写分析方案设计 ......................... 24
第四章 基于时空图网络的少样本跨域图像隐写分析方法 ............................... 36
4.1问题定义 ........................................ 36
4.2 时空图网络介绍 ................................ 37
4.3 基于时空图网络的少样本跨域图像隐写分析方案设计 ...................... 38
第五章 总结与展望 ............................... 51
5.1 工作总结 ..................................... 51
5.2 研究展望 ....................................... 52
第四章 基于时空图网络的少样本跨域图像隐写分析方法
4.1 问题定义
在第三章节中提出的少样本图像隐写分析方法主要针对同一域内的图像隐写分析任务，而在真实场景中少样本隐写分析方法需要检测的未知隐写算法往往与训练过程中的隐写算法不属于同一隐写域，这将导致少样本隐写分析模型在特征提取过程中不能提取到跨域隐写算法的隐写特性，从而使映射网络输出不准确的类中心，降低度量性能。而实际上，通过实验表明，跨域的图像隐写分析任务对于深度隐写分析模型而言也会面临检测失准的问题，因此在少样本环境下，跨域隐写分析任务将更具有挑战性。
由于少样本跨域图像隐写分析任务不同于第三章节少样本域内的图像隐写分析任务，所以针对不同的隐写域，少样本隐写分析方法将需要接触到更多的隐写先验知识，而不仅仅是在空域或者频域的单一隐写特性。因此在本章节中设计的少样本跨域隐写分析算法将针对不同隐写域设计多域特征提取模块，使模型在空域或者频域隐写算法数据集上训练后，对于频域或者空域的未知隐写算法也能具有较好的检测性能，即最终可以达到仅有跨域未知隐写算法少量标记样本情况下，对跨域隐写算法进行有效检测的目的。
软件工程论文参考
...............................
第五章 总结与展望
5.1 工作总结
图像隐写通过将秘密信息以较为隐蔽的方式嵌入到图像载体中以完成隐蔽通信的目的。相应地，为了防止隐写术的非法使用，阻止敏感数据的非法传递，图像隐写分析技术受到信息安全领域研究人员们的广泛关注。到目前为止，已有大量优秀的图像隐写分析方法。从基于手工特征设计的隐写分析方法到基于深度学习的隐写分析方法，已经完成了图像隐写分析方法在检测性能上的跨越式提升，然而目前在图像隐写分析领域仍然存在许多亟需解决的问题需要进一步探索和研究。本文总结了近年来图像隐写分析领域的国内外研究现状，总结了目前深度学习隐写分析方法存在的两点问题：首先是在真实的少样本场景下训练困难的问题，由于深度学习方法训练隐写分析模型需要目标隐写算法的大体量隐写数据集，因此其在仅能得到目标隐写算法少数几张隐写样本时会出现训练困难的问题；其次是难以应对跨域检测的问题，深度学习隐写分析模型虽然能对提供训练数据集对应的隐写算法以及隐写机理相似的同域隐写算法有较好的检测精度，但是对于隐写机理相差较大的跨域隐写算法会出现检测失准的问题，特别是在少样本场景下，目前还没有有效的跨域隐写分析检测方法。
针对上述问题，本文还分别提出了相应的解决方案：
(1) 为了解决在少样本场景下基于深度学习的隐写分析方法训练困难的问题，本文提出基于转导传播网络的少样本图像隐写分析方法。通过结合少样本学习和隐写分析方法，在少样本转导传播网络的基础上，主要使用高通滤波核、可分离卷积、多尺度感受野卷积以及残差结构改进了预处理和特征提取网络，使少样本分类网络更好地能提取到载密图像的秘密特征，进而使其能够应对隐写分析任务，最终通过数据集增强的方法进一步提升了基准模型的检测性能。通过大量实验且与之前工作相比，有效证明本文提出的方法在少样本情境下图像隐写分析检测的有效性。
(2) 跨域隐写分析是目前隐写分析领域较具挑战性的问题，特别是在少样本场景下，目前还没有有效的跨域隐写分析方案。为了解决该问题，本文提出了基于时空图网络的少样本跨域图像隐写分析模型—STGN，该模型在一般的少样本学习网络框架的基础上，设计了基于空域、频域和特征域的多域特征预处理网络，使STGN能提取到不同域隐写术的隐写分析特征，并通过嵌入模块将隐写分析特征向量映射到嵌入空间。另外构建时空图卷积网络来对嵌入空间中的隐写分析特征进行时空特征的提取，最后将具有时空信息的隐写分析特征向量输入图网络进行分类。通过大量消融研究和对比实验，充分证明了本文模型STGN在少样本情境下跨域图像隐写分析检测的高效性能。
参考文献（略）